L'archive : Évaluation de la précision des données sur les pertes forestières de l'Université du Maryland (Hansen et al.) dans 2 zones de projet de l'ICF ? composante d'un projet qui a testé une méthodologie d'indicateur de l'ICF

Auteurs :

Edward Mitchard, Université d'Édimbourg

Karin Viergever, Ecometrica

Véronique Morel , Ecometrica

Richard Tipper, Ecometrica

Remerciements :

Cette étude constitue un élément clé d'un projet plus vaste qui a testé la méthodologie de l'indicateur ICF, financé par l'Agence spatiale européenne (contrat ESRIN n° 4000112345/14/I-NB : soutien à l'observation de la Terre pour l'évaluation des performances des projets forestiers ICF du gouvernement britannique), avec un soutien supplémentaire du NERC (programme de bons pour l'innovation).

Introduction

Ce document décrit les méthodes et les résultats d'un exercice visant à estimer la précision des données sur les pertes forestières de l'Université du Maryland (UMD, Hansen et al.). Ce rapport a été produit dans le cadre du projet "Earth Observation Support for Assessing the Performance of UK Government?s ICF Forest Projects" financé par l'ESA et confié à Ecometrica.

Dans notre rapport sur l'indicateur ICF Hectares de mai 2014¹ Nous avons conclu que des produits de déforestation mondiaux normalisés et gratuits, dérivés de données satellitaires, seraient utiles pour contrôler les performances passées et actuelles des projets de l'ICF. En particulier, nous avons pensé que ces produits pourraient constituer un moyen peu coûteux, automatisé et cohérent de fournir des estimations annuelles de la déforestation réelle dans les zones de projet de l'ICF, afin de constituer une partie du calcul de l'indicateur clé de performance #8, l'indicateur d'hectares.

Le seul ensemble de données sur la déforestation mondiale d'une résolution suffisante actuellement disponible est l'ensemble de données sur la perte de forêts mondiales décrit dans un article publié dans la revue Science par Matthew Hansen de l'Université du Maryland (UMD) et ses collègues en 2013.² . Les données cartographient la perte annuelle de forêts entre 2001 et 2013 à une résolution spatiale de 30 m. Elles peuvent être consultées et téléchargées gratuitement via le portail de données de l'Université du Maryland.³ . Les données sont également disponibles via le Global Forest Watch (GFW).⁴ système de surveillance et d'alerte en ligne des forêts, bien que rééchantillonné à une résolution plus grossière d'environ 90 mètres. Les données ont été produites à partir d'une analyse chronologique de plus de 655 000 images Landsat 8, ETM+ et TM de 2001 à 2013, sous la direction de scientifiques de l'université du Maryland, mais avec un soutien important de Google, le produit actuel étant réalisé à l'aide de leur moteur Google Earth Engine.

Bien que cet ensemble de données UMD constitue une avancée majeure dans la compréhension et la quantification de la recherche sur les changements forestiers mondiaux et la planification de la conservation, une compréhension approfondie de ses principales limites ainsi que des incertitudes et des imprécisions au sein de types de forêts spécifiques et de différentes densités de canopée est essentielle pour garantir son utilisation appropriée pour des applications spécifiques et dans des contextes locaux. Cette étude vise à estimer si des zones significatives de déforestation sont manquées ou incorrectement détectées et cartographiées par le produit UMD de perte de forêt par an dans la végétation du cerrado brésilien et de la forêt haute du Ghana, en utilisant à la fois une interprétation visuelle et une analyse quantitative de données satellitaires RapidEye et SPOT à très haute résolution (5 m) et à dates multiples. Il est important de noter que cette évaluation de la précision ne vise pas à quantifier les erreurs d'omission et de commission strictement selon la définition du couvert forestier et de la perte de forêt de l'étude Hansen et al, mais plutôt à mesurer la performance du produit dans le but d'évaluer les projets de conservation et de gestion des forêts de l'ICF dans des paysages et des types de forêts variés.

Bien qu'une certaine évaluation de la précision ait été effectuée dans l'article original (Hansen et al. 2013), avec une précision supérieure à 90 % pour la délimitation forêt/non-forêt lorsqu'elle est testée sur des ensembles de données indépendants, ces tests ne fournissent pas une évaluation solide de son utilisation pour la détection des changements aux fins de l'ICF. Plusieurs raisons justifient en particulier la nécessité d'une évaluation indépendante de la précision spécifiquement axée sur le type de changement normal dans les projets de l'ICF :

• Des questions ont été soulevées quant à l'exactitude du produit de l'UMD, affirmant que l'évaluation interne de l'exactitude dans l'article de Hansen et al. (2013) surestime son exactitude. Ces préoccupations sont illustrées dans un commentaire sur l'article par Tropek et ses collègues⁵ Bien qu'une réponse de Hansen et al.⁶ a déclaré que bon nombre des erreurs supposées étaient dues à des différences dans la définition de la forêt et de la perte de forêt. Ces questions signifient qu'une évaluation indépendante de la précision dans les paysages concernés par l'ICF est nécessaire.
• Pour les besoins des données de l'UMD, le "couvert arboré" est défini comme l'ensemble de la végétation d'une hauteur supérieure à 5 mètres. Dans le cadre de cette définition structurelle, les plantations telles que le palmier à huile, le soja, le thé et les monocultures ou les arbres sont considérés comme des "forêts", bien qu'ils n'aient pas la valeur de carbone ou de biodiversité des forêts naturelles et qu'ils ne puissent pas être considérés comme des forêts selon les définitions naturelles. En outre, la récolte et la gestion des plantations ainsi que les dommages causés par les incendies et les tempêtes sont interprétés comme une perte de forêt dans l'ensemble de données, et Hansen et al soulignent que la "perte" n'équivaut pas toujours à la déforestation6. Il devrait être possible d'utiliser d'autres ensembles de données pour masquer les zones qui ne sont pas considérées comme des forêts par le projet ICF en question, mais comme de nombreux paysages ICF comprennent de grandes zones de plantations ou d'activités agricoles, et que la définition de la "forêt" diffère considérablement d'un pays à l'autre, il est nécessaire de vérifier si le produit reste utile.
• La résolution du produit de perte forestière de Hansen et al. (UMD), à 30 m, devrait être appropriée dans la plupart des cas pour voir la majorité des zones déboisées (et fortement dégradées). Cependant, dans certaines régions, il se peut que de petites zones de déforestation dominent et que le produit de perte forestière UMD sous-estime la perte totale. Dans cette étude, nous avons inclus un exemple du Ghana pour tester l'effet de la résolution, car nous savons qu'une grande partie de la perte de forêt au Ghana se produit à une très petite échelle.
• Dans l'étude de Hansen et al., les erreurs n'ont été rapportées qu'en termes de précision de l'utilisateur et du producteur, et non en termes d'erreurs d'omission et de commission. La conversion entre ces chiffres n'est pas triviale car ni la précision de la classification ni les processus de déforestation ne sont distribués de manière aléatoire dans l'espace. Afin de confirmer la pertinence des données de l'UMD pour le calcul de l'indicateur d'hectares, il est important de calculer les erreurs d'omission et de commission sur une base annuelle.
• L'exactitude du produit de perte de forêt de l'UMD semble avoir été évaluée principalement en ce qui concerne les changements de forêts tropicales hautes et à canopée fermée en forêts non forestières. Cependant, cela ne représente pas le type de changements qui se produisent dans de nombreux paysages de l'ICF, dont beaucoup impliquent des changements à plus petite échelle dans des types de forêts à biomasse moins élevée. Il est donc important de tester les écosystèmes de projets réels, en particulier ceux des forêts/savanes, des mosaïques forestières ou des forêts déjà dégradées.

Méthodes

2.1 Classification UMD (Hansen et al.)

Matt Hansen et ses collègues ont publié un article de référence dans la revue Science en 2013⁷ . L'étude est le fruit d'une collaboration entre plusieurs scientifiques américains (de l'université du Maryland et d'autres institutions) et Google. Elle utilise le moteur Google Earth de ce dernier pour traiter les milliers de téraoctets des archives complètes de Landsat 7 de 2000 à 2012, couvrant le monde entier à l'exception de l'Antarctique. Elle a depuis été mise à jour pour inclure les données de Landsat 8 et étendre la couche sur la perte de forêts jusqu'en 2013.

La méthode consiste d'abord à prétraiter toutes les scènes Landsat de la saison de croissance (654 000 scènes au total), à les corriger et à les normaliser de manière à ce qu'elles soient toutes équivalentes, indépendamment de l'étalonnage ou des conditions atmosphériques, et à mettre au point un processus automatisé pour éliminer tous les nuages et toutes les ombres de nuages. Un ensemble de variables est ensuite extrait de toutes les observations valides pour chaque pixel, y compris des caractéristiques liées à la verdure moyenne et aux tendances de cette verdure dans le temps.

À l'aide d'un vaste réseau de données d'apprentissage provenant principalement de l'interprétation manuelle de données hyperspatiales (très haute résolution, pixels de ?5 m), des arbres de décision automatisés ont été mis en place pour permettre de prédire le pourcentage de couverture arborée (en l'an 2000), la perte de forêt et le gain de forêt par pixel. La couche relative à la perte de forêt renvoie soit à l'absence de changement, soit à une seule année de 2001 à 2013 au cours de laquelle une perte s'est produite. En revanche, la couche des gains forestiers indique soit "aucun changement", soit "un gain", mais ne propose pas d'année pour cela. La perte et le gain peuvent se produire dans le même pixel, par exemple lorsqu'un pixel a été déboisé en 2001 mais repousse et est à un moment donné reclassé comme forêt, ou en raison d'une erreur (les deux sont produits indépendamment). Cependant, la perte ne peut se produire qu'une seule fois avec cet algorithme, de sorte qu'un tel pixel ne pourra plus jamais être marqué comme déboisé.

Il convient de noter que le produit "gain" n'attribue pas d'année spécifique, mais indique seulement que le gain s'est produit au cours de la période 2001-2013 ; seul le produit "perte" spécifie une année de changement. Il est donc impossible de subdiviser la période et de calculer la variation nette de la superficie forestière : la variation nette ne peut être calculée que pour l'ensemble de la période et, même dans ce cas, avec des difficultés dues au fait qu'un sous-ensemble de pixels présente à la fois un gain et une perte, sans que l'on sache si le gain est antérieur ou postérieur à l'événement de perte.

La perte de forêt est définie dans le document comme "une perturbation de remplacement du peuplement ou l'élimination complète de la couverture arborée à l'échelle du pixel Landsat". Il n'est pas clair si cette définition inclut un changement plus subtil par lequel des arbres sont retirés d'une zone qui reste forestière ("dégradation"), mais il est clair qu'au moins certains pixels marqués comme perte de forêt ont subi une dégradation. Aucun tri initial n'est effectué pour le couvert végétal : un pixel avec un couvert végétal initial de 0 % peut encore être marqué comme déboisé (il y a ici une hypothèse inhérente selon laquelle le couvert végétal aura augmenté avant l'événement de perte, mais les couches de couvert végétal et de perte de forêt sont produites de manière totalement indépendante). De même, les plantations artificielles et les forêts naturelles ne sont pas différenciées. Par conséquent, certains événements de "perte de forêt" classés par le produit ne seraient pas techniquement de la déforestation : certains se produiront dans des pixels qui ne répondent pas aux définitions locales de la forêt (en raison de la couverture de la canopée, de la hauteur ou des critères de superficie), et peuvent donc ne pas être de la déforestation en fonction de la définition locale de la forêt ; et certains seront de la dégradation, l'élimination de certains arbres d'une zone qui reste classée comme forêt : encore une fois en raison de la zone qui répond encore aux critères de couverture, de hauteur ou de superficie après l'événement de perte de forêt pour répondre à la définition de la forêt dans cette zone. La couche de couverture forestière n'est malheureusement pas produite annuellement, et il est donc impossible, en utilisant ce seul jeu de données, de convertir la couche de "perte de forêt" en couches qui se rapprocheraient des cartes de déforestation et de dégradation basées sur les définitions locales. Cela complique toute analyse utilisant ces données, et l'évaluation de l'impact de ces complications est l'un des principaux moteurs de cette étude.

Il est possible de subdiviser les résultats en fonction de la couverture initiale (année 2000), étant donné qu'il existe un produit de couverture de 30 m produit pour l'année 2000. Hansen et al. l'ont largement fait dans leurs résultats, les pertes et les gains étant largement subdivisés en pixels ayant une couverture arborée en 2000 ?25 %, 26-50%, 51-75%, et 76-100%.

Hansen et al. ont procédé à une évaluation interne de la précision sur la base d'un ensemble de données indépendant. Il s'agissait de collecter des données sur des blocs de 1 500 x 120 m x 120 m, répartis dans chaque biome. Dans chaque bloc de 120 m, une évaluation de la couverture et des changements de la canopée a été réalisée à l'aide d'images à très haute résolution spatiale, les meilleures disponibles. Aucune donnée de référence n'a été utilisée. La précision du producteur et de l'utilisateur pour les données de perte était de ~87 %, et pour les données de gain de ~75%, avec un bon équilibre entre les précisions du producteur et de l'utilisateur (ce qui suggère un faible biais). Les précisions globales ont été déclarées à plus de 99%, mais cela représente le fait que la grande majorité des pixels n'ont pas changé au cours de la période de temps, et ont été correctement marqués comme ne changeant pas. Dans le cadre de cette étude, les chiffres concernant les tropiques étaient plus bas, avec des précisions pour la perte d'environ 85 %, et pour le gain, une précision du producteur de seulement 48 %. Il s'agit d'erreurs globales sur l'ensemble de la période, ces chiffres ne sont pas disponibles pour la précision d'une année particulière. Ces résultats sont mitigés et ne permettent pas vraiment d'évaluer si l'ensemble de données de Hansen et al. (UMD) peut être utilisé pour calculer des chiffres non biaisés pour l'indicateur Hectares.

Nous avons donc décidé d'évaluer de manière indépendante la précision de cet ensemble de données dans deux sites contrastés : le Cerrado au Brésil et une matrice forêt-savane au Ghana. Dans les deux cas, nous avons utilisé une combinaison de données RapidEye et SPOT (toutes les scènes sauf une à une résolution de 5 m), ce qui donne une résolution 36 fois supérieure à celle de l'ensemble de données de Hansen et al. Afin d'éviter tout biais méthodologique ou de production, ces données indépendantes à haute résolution ont été classées par deux opérateurs différents utilisant des méthodes différentes, et leurs produits ont ensuite été évalués indépendamment par un troisième opérateur.

2.2 Méthodes de validation des données à haute résolution

Dans les deux cas, trois scènes hyperspatiales (5 m) ont été utilisées par site, avec au moins une décennie d'écart entre les trois images. Cela a permis une évaluation approfondie de la précision du produit Hansen annuel, sans les erreurs potentielles liées à l'utilisation de seulement deux images.

La classification automatisée a été réalisée par Edward Mitchard (EM) de l'université d'Édimbourg en utilisant le classificateur de la machine à vecteur de support dans le logiciel ENVI 4.8 (Exelis), et les résultats statistiques ont été calculés à l'aide du logiciel R. Une classification manuelle basée sur une interprétation visuelle minutieuse des données optiques hyperspatiales a été réalisée par Véronique Morel (VM) d'Ecometrica à l'aide du logiciel ArcGIS. Ces deux classifications ont fait l'objet d'une vérification indépendante (voir l'annexe 1, Brésil, réalisée par Karin Viergever (KV) d'Ecometrica ; l'annexe 2, Ghana, réalisée par EM).

La méthode automatisée a produit des images classées en "forêt" et "non forêt" pour chacune des trois dates, puis ces images classées ont été comparées aux données de l'UMD sur la perte de forêt, à la fois en termes de nombre total d'hectares de déforestation détectés par période, mais aussi en utilisant des comparaisons directes de pixels pour produire des estimations d'erreurs de commission et d'omission. La méthode manuelle a comparé les images directement aux données de l'UMD sur les pertes forestières afin d'obtenir des estimations des erreurs de commission et d'omission, ainsi que des pertes forestières correctement classées.

Les détails spécifiques des données et des méthodes appliquées à chaque site sont présentés ci-dessous.

2.2.1 CERRADO BRÉSILIEN - MÉTHODES

Scènes

Une zone située à l'extrémité nord de la municipalité de Formosa do Rio Preto, dans l'État de Bahia, a été choisie. Elle a fait l'objet d'une activité de déforestation considérable dans le passé (comme l'indique l'ensemble de données sur la perte de forêt par an de l'UMD) et des images optiques à haute résolution sans nuages étaient disponibles pour trois périodes de temps pertinentes entre 2001 et 2013.

Figure 1 - Superposition de la zone d'étude brésilienne à l'ensemble des données sur la perte de forêts de l'UMD

On a pris soin de sélectionner des scènes pendant la saison sèche, où le contraste entre l'herbe, les cultures et les arbres devrait être le plus fort. Trois scènes ont été sélectionnées, couvrant 11 années à une résolution de 5 m (tableau 1, figure 2). La superficie couverte était de 374 547 ha pour les images SPOT de 2002 et de 193 568 ha pour les images RapidEye de 2009 et 2013.

Préparation des données

Les scènes RapidEye se sont superposées avec précision lorsqu'elles ont été comparées avec un zoom de 10 x. Un léger décalage a été constaté avec la scène SPOT, qui a été corrigé par la sélection manuelle de 50 points de contrôle au sol et par une déformation de 1 degré, dont l'erreur quadratique moyenne était de 0,3 pixel (1,5 m). On peut donc supposer que les pixels se chevauchent précisément. Les données de Hansen et al. (version 1.1) ont été téléchargées et déformées pour correspondre à la projection UTM, 5 m des données RapidEye et SPOT. Aucun décalage n'a été détecté. Aucune suppression n'a été effectuée pour les pixels classés comme déboisés dans le jeu de données Hansen sur la perte de forêt et qui se trouvaient en dessous du seuil de couverture de la canopée ou de la surface forestière dans le jeu de données Hansen sur le couvert végétal, c'est-à-dire pour être comptés comme "forêt" au Brésil.

Méthodes de classification automatisées

Dans les scènes, confirmées par l'examen de données à plus haute résolution disponibles dans Google Earth et de photos géolocalisées sur le même système, il semble y avoir trois types de couvertures terrestres principales : les cultures, les forêts et les zones naturelles non forestières ("arbustes") : Un ensemble de données de 10 000 pixels pour chacune de ces classes a été créé pour chacun des trois points dans le temps et utilisé pour entraîner un classificateur. Le classificateur final utilisé était une machine à vecteur de support avec 2 niveaux de pyramide et une fonction de base radiale, utilisant toutes les bandes ainsi qu'un filtre textural 5×5 d'écart type. Cette méthode a permis d'obtenir des précisions pour l'utilisateur et le producteur supérieures à 98 % dans tous les cas par rapport à l'ensemble de données d'entrée. Ces cartes ont ensuite été comparées pour produire des cartes indiquant la déforestation pour 2003-2009 et 2010-2013, et ces cartes de perte de forêt ont été directement comparées aux données de l'UMD pour produire des cartes montrant les erreurs d'omission et de commission.

Méthodes de classification manuelle

Les différentes scènes ont été soigneusement équilibrées afin que les couleurs et les niveaux de contraste correspondent. Les trois mosaïques de données datant de 2002, 2009 et 2013 ont d'abord été comparées visuellement en détail. Les zones de changement (perte de forêt et régénération) ont été identifiées et comparées aux données de l'UMD Hansen et évaluées pour les différences qui pourraient indiquer (i) des zones incorrectement cartographiées comme déforestation, c'est-à-dire des erreurs de commission, et (ii) des zones de déforestation qui ont été manquées par le produit de perte de forêt par année, c'est-à-dire des erreurs d'omission. Pour ces dernières, on a veillé à exclure de l'analyse les zones qui étaient passées d'une couverture végétale non forestière à un sol nu, ce qui peut se produire en raison des changements saisonniers et des pratiques agricoles, mais qui ne représente pas une déforestation. Ces zones ont été soigneusement numérisées à l'écran.

Vérification

Une évaluation ponctuelle des résultats de la classification automatisée et manuelle a été réalisée indépendamment par un troisième interprète. En l'absence de données de terrain, l'évaluation est basée uniquement sur l'interprétation et l'opinion du troisième évaluateur utilisant les mêmes données optiques à haute résolution, et est présentée à l'annexe 1. Bien que la vérification ait été effectuée sous la forme d'une évaluation traditionnelle de la précision par points, les résultats ne doivent pas être interprétés comme une évaluation de la précision. Le résultat de cet exercice de vérification met en évidence les erreurs possibles dans les deux résultats de classification et donne un aperçu des causes possibles d'erreurs dans tous les ensembles de données.

2.2.2 GHANA - MÉTHODES

Scènes

Il a été très difficile de trouver une zone au Ghana avec des données sans nuages disponibles pour trois points dans le temps. Finalement, une zone a été trouvée à la frontière de la région occidentale et centrale dans le sud du Ghana, comprenant plusieurs parcelles de forêts intactes et de grandes zones de mosaïque forêt-savane (figure 3). Des précautions ont été prises pour sélectionner des scènes pendant la saison sèche, mais en raison de la disponibilité limitée des données, celles-ci couvrent un éventail de mois plus large que l'ensemble des données brésiliennes. Les précipitations pour les sites avant les images ont été comparées et aucune différence importante n'a été constatée (précipitations totales des deux mois précédents inférieures à 30 % dans les trois cas). Malheureusement, seules des données à 10 m étaient disponibles pour la période la plus ancienne - bien qu'il faille noter que cela représente 9 pixels pour 1 pixel Hansen, et donc un ensemble de données raisonnable pour l'évaluation, ce n'est pas l'idéal. Pour 2013, un composite de deux scènes Rapideye capturées en l'espace de 4 jours a été utilisé pour reproduire le plus fidèlement possible la zone des scènes SPOT (Tableau 2). La zone de chevauchement entre les trois scènes était assez faible, avec seulement 89 410 ha (Figure 4).

Prétraitement des données

Lorsque l'on compare les images avec un zoom de 10 x, aucun décalage n'est visible entre les images. Elles ont donc été déformées l'une par rapport à l'autre en utilisant leur géoréférencement existant, mais les zones qui ne se chevauchent pas ont été masquées. Les données de 2001, d'une résolution de 10 m, ont été suréchantillonnées à 5 m au cours de ce processus, à l'aide d'une fonction de convolution cubique.

La définition de la forêt au Ghana est très large : toute parcelle d'arbres avec un couvert d'au moins 15%, une hauteur potentielle minimale de 2 m et une superficie minimale de 0,1 ha est techniquement considérée comme une forêt. La zone étudiée est couverte par de grands blocs de forêt, qui répondent clairement à cette définition, mais aussi par de vastes zones de forêt mixte, avec de petites parcelles d'arbres autour d'un paysage de savane fortement influencé par l'homme. L'ensemble de données de l'UMD considère une grande partie de cette matrice savane-agriculture comme une forêt (c'est-à-dire au-dessus du seuil de 15%) et constate une déforestation et une reforestation rapides dans l'ensemble de la zone.

Nous avons essayé de nombreuses méthodes en utilisant un certain nombre d'approches différentes pour classer cette matrice forêt-savane-agriculture en forêt et en zone non forestière. Une approche supplémentaire à trois classes a été adoptée, avec la forêt, la zone non forestière et les broussailles ; et une autre avec la forêt, l'agriculture, la zone non forestière et les broussailles. Dans aucun cas, la précision de la classification automatisée n'a été supérieure à 75%. Pour évaluer la précision d'un deuxième ensemble de données, on a estimé que la précision de l'ensemble de données primaire devait dépasser 95%, ou au moins 90%, pour pouvoir tirer des conclusions. Il a donc été décidé de ne comparer que les cartes autour des principaux blocs forestiers, qui ont été identifiés par une classification de l'image SPOT de 2001 à l'aide d'un filtre médian 13×13 et d'un ensemble de données de vérité au sol basé sur des points situés à l'intérieur ou à l'extérieur des parcs nationaux, afin de produire une classification générale forêt intacte/non-forêt.

Ces blocs forestiers ont été étendus de 500 m, afin d'inclure la dynamique autour de leurs limites, et les couches résultantes ont ensuite été utilisées pour masquer les trois images ainsi que la classification UMD, et les analyses ultérieures n'ont eu lieu qu'à l'intérieur de ces blocs forestiers. La zone totale analysée était donc de 45 591 ha.

Méthodes de classification automatisées

Dans les blocs de forêt intacte, un ensemble de données de 5 000 pixels forestiers et 5 000 pixels non forestiers a été utilisé pour la classification à chaque point dans le temps. Un réseau neuronal à deux couches a été utilisé pour effectuer la classification en utilisant les mesures texturales (écart-type d'une fenêtre de 5 x 5) et toutes les mesures spectrales disponibles. Les précisions de l'utilisateur et du producteur ont dépassé 96 % dans tous les cas par rapport aux métriques de test, bien que dans un test elles soient tombées à moins de 80 % lorsque les métriques texturales ont été exclues. Lorsque les nuages ont été confondus avec des zones non forestières, ils ont été manuellement retirés de l'analyse pour cette période.

Méthodes de classification manuelle

Les trois mosaïques de données ont d'abord été comparées visuellement en détail, après avoir été préparées de manière à ce que leurs couleurs et leurs niveaux de contraste correspondent. Les zones de changement (perte de forêt et régénération) ont été identifiées et comparées aux données de l'UMD Hansen et évaluées pour les différences qui pourraient indiquer (i) des zones incorrectement cartographiées comme déforestation, c'est-à-dire des erreurs de commission, et (ii) des zones de déforestation qui ont été manquées par le produit Perte de forêt par an, c'est-à-dire des erreurs d'omission. Toutes les zones identifiées comme déboisées entre l'acquisition de l'imagerie SPOT 2001 et l'imagerie SPOT 2007, puis entre l'imagerie SPOT 2007 et l'image RapidEye 2013, qui n'étaient pas incluses dans l'ensemble de données Hansen de l'UMD pour une année quelconque jusqu'en 2013, ont été cartographiées au moyen d'une numérisation à l'écran, puis quantifiées et résumées.

Vérification

Pour la zone d'étude du Ghana, une méthode basée sur des points n'aurait pas donné de résultats significatifs car les zones de perte de forêt étaient si petites qu'une grille contenant plusieurs milliers de points aurait été nécessaire pour capturer un nombre suffisant de pixels de changement. Au lieu de cela, une comparaison visuelle directe des deux cartes a été effectuée, permettant une évaluation qualitative des différences entre les deux interprétations.

3 Résultats

3.1 Résumé des résultats

Les résultats de l'ensemble de données de l'UMD sont variables : il semble qu'il détecte bien la perte de forêt sur le site d'étude du Brésil, mais mal sur celui du Ghana. Au Brésil, les erreurs d'omission et de commission étaient à la fois raisonnablement faibles et équilibrées : les deux méthodes de classification ont produit des estimations légèrement différentes, mais l'équilibre des probabilités suggère que les erreurs d'omission et de commission étaient globalement inférieures à 15 %. Les estimations du taux de déforestation totale entre les deux produits étaient très similaires au Brésil, les chiffres de l'UMD se situant entre ceux estimés à partir de la classification manuelle et automatisée des données à haute résolution. Au Ghana, cependant, les erreurs d'omission ont dominé, les deux méthodes de classification produisant des résultats très similaires suggérant que >80 % de perte de forêt ont été manquées par l'ensemble de données de l'UDM.

3.2 Résultats détaillés : Brésil

Les deux analyses indépendantes ont produit des résultats largement similaires : les données de l'UMD semblent bien fonctionner dans ce paysage comprenant une végétation de cerrado avec des transitions vers de grands champs de cultures arables. Certains événements de perte de forêt ont été faussement détectés par l'ensemble de données UMD comme s'étant produits dans les champs, et certains événements de perte ont été observés plus tard qu'ils ne se sont produits, mais en général, la majorité des défrichements ont été détectés.

La classification automatisée a détecté plus d'erreurs de commission (changement détecté alors qu'aucun changement ne s'est réellement produit) que la classification manuelle (24 % contre 3 % sur l'ensemble de la période), apparemment dues à des interprétations différentes de ce qui est ou n'est pas une forêt. Une troisième évaluation indépendante basée sur des points a conclu qu'il est probable que la classification automatisée surestime les erreurs de commission pour la période 2003-2009 (annexe 1). Les deux méthodes ont détecté des taux d'omission similaires (où un changement réel a été omis), à environ 13-14 % sur l'ensemble de la période.

En ce qui concerne les statistiques sommaires par zone (c'est-à-dire les taux de déforestation), les ensembles de données de l'UMD prédisent des taux de déforestation légèrement inférieurs à ceux de la classification manuelle et légèrement supérieurs à ceux prédits par la classification automatisée.

3.2.1 BRÉSIL - CLASSIFICATION AUTOMATISÉE

Les procédures de classification divisant l'imagerie en classes d'arbustes, de zones non forestières et de forêts ont très bien fonctionné, comme le montre la figure 6 ci-dessous.

La chronologie de la déforestation selon les données SPOT et RapidEye est présentée dans la figure 7 ci-dessous - on peut voir que la forêt dans cette zone est régulièrement érodée au fil du temps par de nouveaux grands champs pour l'agriculture. Le jeu de données Hansen présente un schéma largement similaire, avec un taux de déforestation similaire, mais avec un schéma plus disparate.

Pour le jeu de données de l'UMD, il n'existe pas de classes "agriculture" et "arbustes", mais à titre de comparaison, tous les pixels non déboisés dont le couvert végétal se situait en 2000 entre 0 et 29 sont colorés en gris, et >30 en vert.

Dans l'imagerie ci-dessus, une distinction est faite entre l'agriculture et les arbustes pour faciliter l'interprétation - les erreurs sont donc visibles même à ce stade car il y a des zones claires (par exemple vers le bas à gauche) où les données UMD détectent la déforestation dans des zones marquées comme agricoles dans les données SPOT en 2002. Aucune distinction n'est faite entre les arbustes et l'agriculture dans le jeu de données UMD, donc aucune distinction de ce type n'est faite pour l'UMD dans la figure 7.

En général, l'analyse UMD et l'analyse automatisée SPOT/RapidEye correspondent très bien : les zones roses et cyan de la figure 7 se chevauchent en grande partie. En outre, la différence entre les forêts et les zones non forestières dans la classification finale semble bien correspondre aux deux classifications, ce qui permet d'affirmer que la future déforestation semble se concentrer autour de trois groupes - le nord, le centre et le sud-ouest de l'image. Dans le nord et le sud-ouest, les détections correspondent étroitement en général, bien qu'avec une certaine confusion et une mauvaise identification des changements, en particulier la détection de changements dans des zones qui étaient déjà déboisées en 2002 (erreurs de commission), comme le montre la figure 8.

La figure 8 montre que la classification automatisée des images de télédétection semble avoir bien fonctionné, identifiant correctement la forêt, les champs agricoles et une petite parcelle de forêt en régénération. Les données de l'UMD sur les pertes forestières détectent bien les principaux changements, mais aussi la déforestation dans certaines zones qui ont été défrichées avant le début de la période d'étude en 2002 : les pixels rouges au centre-droit de la boîte des erreurs d'omission/commission étaient clairement non forestiers dans la scène SPOT de novembre 2002, mais considérés comme déboisés entre 2003 et 2009 par les données de l'UMD sur les pertes forestières. Il s'agit d'un thème récurrent dans l'étude de cas du Brésil, où les erreurs de commission dominent sur les erreurs d'omission dans les résultats de la classification automatisée. Il est possible que cette zone ait été déboisée plus tôt en 2002 (avant l'acquisition de la scène en novembre 2002), auquel cas l'erreur de commission dans ce cas est causée par une mauvaise attribution de la perte de forêt à la mauvaise année. Cela a été constaté ailleurs par les deux interprètes indépendants (annexe 1).

Les résultats complets comparant les données UMD avec la classification automatisée pixel par pixel sont résumés dans le tableau 3 :

On peut voir que les erreurs de commission sont particulièrement élevées dans la période 2010-2013, où la classification automatisée SPOT/Rapideye a estimé qu'il y avait environ 10 500 ha de déforestation, alors que l'UMD en a vu 14 500, avec plus de 5 000 ha détectés dans l'erreur. Cela se traduit par un taux de déforestation de 6% par an dans le jeu de données de l'UMD pour cette période, contre 4,77% dans la classification automatisée.

Il convient toutefois de noter que lorsque la moyenne est calculée sur l'ensemble de la scène (ce qui permet de compenser les erreurs d'omission et de commission), l'effet n'est pas si important : sur l'ensemble de la période (déforestation 2003-2013), l'analyse automatique des images détecte un taux de déforestation moyen de 4,25%, tandis que l'UMD détecte 4,35% : cela suggère la robustesse de l'analyse de l'UMD, mais ce type de comparaisons tend à aplanir les ensembles de données, en établissant une moyenne considérable dans le temps et l'espace.

3.2.2 BRÉSIL - CLASSIFICATION MANUELLE

Contrairement à l'approche automatisée, la classification manuelle produit directement des erreurs d'omission et de commission (figure 10).

En comparant les figures 9 et 10, on constate que les deux méthodes produisent des résultats largement similaires. Toutefois, si l'on examine les détails, il est clair que la classification manuelle a estimé un taux d'erreurs de commission beaucoup plus faible. La vérification indépendante par points suggère que la classification automatisée surestime les erreurs de commission pour la période 2003-2009, ce qui entraîne une estimation plus faible des zones classées comme "changement correct", tandis que la classification manuelle sous-estime les erreurs de commission pour la période 2010-2013, ce qui entraîne une légère surestimation des zones classées comme "perte de forêt correctement cartographiée". De même, la classification manuelle a estimé un taux d'erreurs d'omission légèrement plus élevé que la classification automatisée (Tableau 4). L'AQ suggère que la classification automatisée sous-estime les erreurs d'omission pour la période 2010-2013, ce qui entraîne une surestimation de la zone classée comme "aucun changement correct". La vérification indépendante par points suggère que les erreurs d'omission dans la classification manuelle sont sous-estimées pour la période 2003-2009 et surestimées pour la période 2010-2013, ce qui, dans les deux cas, affecte la catégorie "Correct no change".

Les deux méthodes de classification s'accordent généralement sur le fait que la classification des pertes forestières de l'UMD est raisonnablement précise, les deux estimant que normalement plus de 70 % de pixels de changement sont correctement détectés dans tous les points temporels. Les raisons et les exemples d'erreurs, ainsi que les raisons des différences entre les deux classifications, sont abordés dans la section Discussion.

3.3 Résultats détaillés - Ghana

La classification automatisée et la classification manuelle produisent ici des résultats très similaires : la zone de perte de forêt détectée est beaucoup plus élevée dans l'analyse des données de résolution 5 m que celle prédite par l'ensemble de données de l'UMD. Les erreurs d'omission estimées par les méthodes de classification automatisée et manuelle sont de l'ordre de 80 à 90 %. L'analyse n'a été effectuée que dans les blocs de forêts hautes, et les données de l'UMD n'observent que très peu de changements dans ces blocs : les changements observés sont pour la plupart corrects, avec des erreurs de commission de 2 à 3 % seulement. Cependant, moins de 10 % de la perte de forêt ou de la perturbation détectée dans les ensembles de données SPOT et RapidEye sont correctement détectés dans l'ensemble de données UMD. Cela se traduit également par des estimations du taux de déforestation total beaucoup plus faibles dans le jeu de données de l'UMD que dans les analyses à haute résolution : contrairement au Brésil où les taux de déforestation totaux étaient presque identiques entre les analyses de l'UMD et les analyses à haute résolution, les taux estimés de déforestation sont ici dix fois plus élevés dans l'analyse à haute résolution.

Les résultats sont sans équivoque : la perturbation forestière clairement visible dans les données optiques à haute résolution n'est pas détectée par l'ensemble de données de l'UMD, ce qui le rend probablement impropre à une utilisation dans le cadre de l'indicateur des hectares dans ce pays. Cela ne signifie pas que le jeu de données de l'UMD est incorrect en tant que tel, mais simplement que la résolution de son jeu de données d'entrée et la définition du changement forestier le rendent inadapté à l'établissement des rapports de l'ICF dans ce paysage.

Il convient de noter que la classification UMD détecte de nombreux changements dans ce paysage, mais pas dans les principaux massifs forestiers (figure 11). Nous n'avons pas été en mesure de créer des classifications cohérentes à partir des données à haute résolution en dehors des blocs forestiers, et nous n'avons donc pas pu évaluer la précision des changements détectés. Cependant, il est tout à fait possible que l'UMD soit performant dans la mosaïque forêt-savane-terres agricoles du Ghana, mais pas dans les blocs forestiers.

3.3.1 GHANA - CLASSIFICATION AUTOMATISÉE

En comparant directement les cartes de déforestation pour les deux périodes (figure 12), il est clair que l'analyse à haute résolution détecte beaucoup plus de déforestation que le jeu de données UMD basé sur Landsat. Les changements les plus importants se produisent à la fois dans la zone tampon de 500 m autour des blocs forestiers, mais aussi à l'intérieur des grands blocs forestiers, en particulier au cours de la période 2007-2013.

Sans surprise, compte tenu de ce qui précède, le taux de déforestation estimé à partir des données à haute résolution est beaucoup plus élevé que celui estimé à partir des données UMD, et les erreurs d'omission dominent (figure 13, tableau 5).

3.3.2 GHANA - CLASSIFICATION MANUELLE

Il a été difficile de faire correspondre les couleurs et les contrastes entre les scènes, et une couverture nuageuse claire était visible en 2001 et 2013. La meilleure balance des couleurs est illustrée à la figure 14, et cet ensemble d'images a été utilisé pour effectuer la classification.

Les changements dans les données sont difficiles, mais pas impossibles à voir. La figure 15 montre un exemple de petite zone de déforestation qui n'a pas été détectée par l'ensemble de données UMD, entourée d'autres zones qui ont été détectées. La figure 16 montre une zone de déforestation/dégradation beaucoup plus étendue qui n'a pas été détectée par l'ensemble de données UMD.

Comparaison des données à haute résolution pour (a) avril 2001 et (b) janvier 2007 avec (c) les zones déboisées telles que cartographiées par le produit Forest Loss per Year pour les années 2001 à 2007. La carte des erreurs pour 2001 à 2007 (d) montre qu'il s'agit d'une erreur d'omission car cette zone n'est pas clairement identifiable comme une zone de perte en 2001.

Comparaison des données à haute résolution pour (a) janvier 2007 et (b) décembre 2013 (c) zones déboisées telles que cartographiées par le produit UMD Hansen Forest Loss per Year pour les années 2007 à 2013. La carte d'erreur pour 2007 à 2013 (d) montre cette zone de perte comme des erreurs d'omission parcellaires où une déforestation évidente et des niveaux élevés de dégradation peuvent être identifiés.

Comme pour la classification automatisée, les erreurs d'omission dominent (figure 17, tableau 6). La classification manuelle suggère que seulement 9% de pertes réelles ont été détectées et cartographiées correctement par les données de l'UMD.

4 Discussion

Les deux études de cas ont donné des résultats très contrastés, les données de l'UMD étant bien comparées aux données à haute résolution au Brésil, et mal comparées au Ghana.

Dans le Cerrado brésilien, le produit UMD a bien fonctionné, prédisant la superficie totale déboisée pour chaque période avec une grande précision (tableau 3), et avec des erreurs d'omission et de commission relativement faibles (tableaux 3 et 4). Il y a eu quelques preuves de changements mal attribués, avec en particulier certains changements qui se sont réellement produits au cours de la période 2003-2009 et qui ont été détectés au cours de la période 2010-2013. Il est impossible, avec seulement trois points temporels, d'évaluer réellement la proportion de tels événements : il se peut qu'il y ait eu moins de scènes Landsat sans nuages qu'à l'accoutumée en 2009-2010, par exemple. Il convient toutefois de garder à l'esprit la possibilité d'attribuer des changements à la mauvaise année lors de l'utilisation des données de l'UMD : cela pourrait suggérer que l'établissement de rapports sur des cycles de 3 à 5 ans plutôt que sur une base annuelle produirait des résultats plus précis.

Les résultats obtenus au Ghana contrastent fortement avec l'exemple du Brésil, l'analyse SPOT-RapidEye détectant beaucoup plus de changements que l'analyse UMD, et les erreurs d'omission étant donc dominantes. En fait, les différences sont si importantes qu'il semble que des processus complètement différents soient détectés : à 5 m, RapidEye et SPOT peuvent voir une dégradation à petite échelle qui est invisible dans l'ensemble de données de l'UMD basé sur Landsat 30 m. On sait que la perte de forêts au Ghana est due à l'agroforesterie à petite échelle, principalement pour le cacao. Dans de nombreux cas, les agriculteurs empiètent sur des blocs de forêt, mais ne défrichent pas l'ensemble de la forêt, se contentant d'enlever un sous-ensemble d'arbres de la canopée tout en défrichant le sous-étage et les petits arbres pour permettre au cacao de pousser. Cela crée une mosaïque de trous dans la canopée qui peuvent être visibles par RapidEye à 5 m, mais impossibles à détecter avec les données Landsat. Cela peut également être lié aux définitions du changement forestier dans l'ensemble de données de l'UMD : étant donné qu'il y a encore des arbres dans de nombreuses zones détectées comme défrichées par les classifications automatisées et manuelles, l'algorithme de l'UMD peut ne pas avoir correctement marqué ces pixels comme une perte de forêt selon sa définition. Cependant, cela suggère que les définitions fondamentales qui sous-tendent l'analyse UMD la rendent inadaptée au suivi des changements forestiers pour l'ICF dans des paysages tels que le Ghana.

4.1 Discussion spécifique et enseignements tirés de l'exemple du Brésil

Bon nombre des erreurs détectées dans l'exemple du cerrado brésilien étaient des cas d'attribution erronée. Dans la figure 18, nous montrons un exemple où un changement survenu avant 2009 n'a été détecté qu'en 2012, devenant ainsi une erreur d'omission dans la première période, et de commission dans la seconde.

Certaines erreurs d'omission ont toutefois été causées par une sous-estimation de la superficie perdue. Très souvent, les données de l'UMD sont assez fragmentaires, ne montrant par exemple que le défrichement d'une partie d'un champ. La figure 19 montre un exemple de cas où un grand champ (3 km de large) défriché progressivement tout au long de la période n'est que partiellement signalé comme déboisé dans l'ensemble des données de l'UMD.

Dans l'ensemble, la classification manuelle et la classification automatisée de cette zone concordent. Cependant, il existe des différences significatives : la classification automatisée a détecté des erreurs de commission beaucoup plus importantes, tandis que la classification manuelle a détecté des taux d'omission légèrement plus élevés. Les taux d'omission plus élevés dans la classification manuelle sont principalement liés à un seul incendie (figure 20) : celui-ci a été signalé comme déforestation par la classification manuelle, mais pas par l'UMD ni par la classification automatisée. La vérification indépendante a également classé la zone dans la catégorie " pas de changement correct ", c'est-à-dire pas de perte de forêt car il semble que les arbres soient toujours debout après l'incendie, mais seule une étude au sol ou une image ultérieure pourrait confirmer si cela représente réellement une conversion.

Les erreurs de commission élevées observées dans la classification automatisée (16 % dans la première période, 48 % dans la deuxième période) sont dues à la détection d'environ 5 000 hectares par période où les classifications UMD (et manuelles) détectent le changement et la classification automatisée ne le fait pas. Un exemple d'une telle zone est donné dans la figure 21. Là encore, il s'agit probablement de définitions différentes de la forêt et du défrichement forestier qui sont "enregistrées" à la mauvaise date, bien qu'il y ait peu de preuves de l'une ou l'autre de ces explications pour le cas illustré à la figure 21. La vérification indépendante par points a montré que ces erreurs de commission détectées par la classification automatisée peuvent être incorrectes (annexe 1).

La vérification indépendante a conclu qu'une source de discordance dans les deux résultats de classification indépendants était due à des approches différentes pour traiter la perte de forêt cartographiée par les données UMD pour les années d'acquisition d'images des données à haute résolution utilisées, à savoir 2002 et 2009. La classification automatisée n'a pas pris en compte les zones classées par les données de l'UMD comme perte de forêt en 2002 (par exemple, Annexe 1, Fig. A5, A13), alors que la classification manuelle l'a fait (par exemple, Annexe 1, Fig. A9, A13, A22, A23, A24). Cela a affecté les résultats de la vérification de différentes manières :

• Pour les zones cartographiées par l'UMD comme perte de forêt en 2002, et où aucune forêt n'était visible sur l'image du 13-11-2002, nous ne pouvons pas déterminer quand cette zone a été déboisée, et si en fait il y a déjà eu une couverture forestière à cet endroit. Dans ce cas, les résultats de la classification automatisée "Corriger sans changement" ont été jugés corrects par la vérification. Cependant, l'approche de la classification manuelle a donné aux données de l'UMD le bénéfice du doute et a classé ces zones comme "changement correct", ce qui a donné un résultat différent à la vérification (par exemple Fig A22-A24) et a potentiellement causé une surestimation des zones classées comme "changement correct" pour la période 2003-09.
• Pour les zones cartographiées par l'UMD comme perte de forêt en 2002, et où il y a une forêt visible sur l'image du 13-11-2002 qui est remplacée par une zone non forestière sur l'image de 2009, la classification automatisée a catégorisé la zone comme "Erreur d'omission", ce qui est potentiellement incorrect car il y a une petite possibilité que la perte de forêt ait eu lieu entre le 13-11-2002 et le 31-12-2002.La classification manuelle a cartographié de telles zones comme "Changement correct" (par exemple Fig A24, A35). Comme nous n'avons aucun moyen de vérifier si la perte de forêt s'est effectivement produite dans le court laps de temps restant de 2002, l'interprétation automatisée peut potentiellement entraîner une surestimation de la zone classée comme "erreur d'omission".

En outre, la classification manuelle a comptabilisé deux fois la perte de forêt de l'UMD cartographiée en 2009 en la prenant en compte à la fois pour les périodes 2003-09 et 2010-13, ce qui a entraîné une surestimation des zones classées comme "changement correct" au cours de la période 2010-13 (voir par exemple l'annexe 1, figures A25-30, A34). D'autres discussions sur les différences entre les deux ensembles de données à haute résolution se trouvent à l'annexe 1.

4.2 Discussion spécifique et enseignements tirés de l'exemple du Ghana

Il convient de noter qu'en l'absence de données au sol, les deux analyses doivent être considérées comme des estimations préliminaires : ni l'UMD ni aucune des analyses à haute résolution ne représentent la vérité, qui ne peut être fournie que par les données au sol. Dans le cas de l'analyse du Ghana, la classification de la dynamique forestière à partir de ces données optiques s'est avérée très difficile, et nous n'avons qu'une confiance relativement faible dans les résultats. Et ce, bien que nous ayons supprimé de notre analyse les mosaïques délicates forêt-agriculture-savane situées entre les grands blocs forestiers. Nous recommandons une méthode alternative pour détecter la déforestation et la dégradation dans ce type de paysage, par exemple les données du satellite Radar (utilisées avec succès auparavant dans ce type de paysage, par exemple dans Mitchard et al. 2012⁸), les données LiDAR des avions (e.g. Boehm et al. 2013⁹), ou des observations au sol, afin de fournir des résultats plus concrets.

Cependant, pris au pied de la lettre, ces résultats semblent montrer une sous-estimation très importante des changements pour les données UMD, ce qui suggère qu'elles ne sont pas adaptées au suivi des changements dans ces zones. Malgré les mises en garde ci-dessus, les fragments d'images à haute résolution présentés dans les figures 15 et 16 semblent très réels, et nous sommes convaincus que des exemples comme ceux-ci représentent des changements réels sur le terrain. Il convient également de noter que, contrairement au cas brésilien, les taux de commission et d'omission estimés par les classifications manuelles et automatisées concordent parfaitement, ce qui renforce la confiance.

Alors que la plupart des changements détectés se sont produits près des limites des blocs forestiers, suggérant un empiètement pour l'exploitation forestière, l'agriculture ou le développement du cacao, des changements inquiétants ont été observés loin à l'intérieur des réserves (Figure 22). Une vérification au sol serait nécessaire pour confirmer la perte ou la dégradation de ces zones, car à une si petite échelle, les effets d'ombre ou les changements climatiques ou saisonniers peuvent influencer l'interprétation de l'imagerie satellitaire : mais s'ils sont réels, ils suggèrent d'abord que la protection de ces réserves n'est pas efficace actuellement, et ensuite que les données de l'UMD ne sont pas l'outil approprié pour surveiller ces forêts.

Comparaison des données à haute résolution pour (a) janvier 2007 et (b) décembre 2013 (c) zones déboisées telles que cartographiées par le produit UMD Hansen Forest Loss per Year pour les années 2007 à 2013, montrant à la fois une perte à grande échelle près des limites des forêts protégées et une perte à plus petite échelle à l'intérieur des blocs forestiers. La carte des erreurs pour la période 2007-2013 (d) montre cette zone de perte sous forme d'erreurs d'omission parcellaires où la déforestation et la dégradation sont clairement identifiables.

5 Conclusions

Voici un résumé de la zone d'étude du Cerrado brésilien :

1. Les données de l'UMD sur la perte de forêts sont globalement assez précises pour détecter la conversion des forêts du Cerrado en vastes champs agricoles.
2. Les erreurs consistent en une mauvaise répartition de la déforestation sur les années suivantes (ramassage différé). Il convient donc d'être prudent lors de l'interprétation des changements dans les pertes annuelles sur des périodes courtes (il serait peut-être préférable de les interpréter sur une période de 3 à 5 ans).
3. Certaines difficultés ont été rencontrées lors des classifications automatisées et manuelles en raison de la nature hétérogène et de la disparité de la couverture du couvert dans la zone d'étude. Les différences d'opinion des interprètes sur le couvert végétal ont contribué aux différences dans les estimations de perte de forêt présentées dans les tableaux 3 et 4.
4. Les classifications automatisées, et dans une moindre mesure les classifications manuelles, ont éprouvé quelques difficultés à classer à tort les changements agricoles comme des pertes de forêts. Bien que les données optiques à haute résolution ajoutent une texture et un contexte utiles, les données multitemporelles ajoutent des informations utiles pour séparer les changements agricoles des changements de la couverture forestière.
5. Quelques points d'interrogation sur les terres arbustives et les zones qui sont coupées mais que l'on laisse repousser.

Voici un résumé de la zone d'étude du Ghana :

1. Les données UMD passent à côté de nombreux changements forestiers dans cette zone : elles ne voient pas les mêmes processus que les données RapidEye. Cela est dû à la fois à un problème de résolution : il se peut que les changements observés à une résolution de 5 m ne soient tout simplement pas visibles dans les données Landsat ; et à la définition de la forêt et du changement forestier. Les calculs basés sur les données de l'UMD dans ces régions du Ghana sous-estimeraient donc grandement la perturbation et la perte de forêt, produisant ainsi une valeur trop élevée si elle est utilisée pour le rapport de l'indicateur Hectares.
2. Les données RapidEye n'ont pas été jugées appropriées pour déterminer les changements forestiers dans la mosaïque de forêts, de terres boisées et de terres agricoles qui couvre la majeure partie du Ghana. L'évaluation de la précision n'a été possible que pour les blocs de forêts hautes.
3. Ni les données optiques à 5 m ni les données UMD ne sont considérées comme optimales pour la surveillance de ce paysage : nous recommandons l'utilisation de produits de télédétection active tels que ceux du LiDAR ou du radar, ou éventuellement de données optiques à très haute résolution (<1 m de résolution). Toutes ces options impliquent des coûts élevés de traitement et d'acquisition des données, de sorte qu'un système d'échantillonnage, avec une composante terrestre importante, pourrait s'avérer nécessaire.